全部分类/
科学普及/
计算机应用研究

计算机应用研究

2026年09期

扫码免费借阅

目录

快速导航

综述评论 | 基于 Transformer 的整数运算学习综述*

综述评论 | 基于 Transformer 的整数运算学习综述*

摘要：整数运算是符号计算和数学推理的基础。基于Transformer的大语言模型在自然语言处理中已取得显著成果,其数学推理能力正日益成为衡量模型性能的关键指标。虽然已有综述系统性地总结了Transformer模型在数学推理上的研究,但尚无工作详细地梳理Transformer模型在整数运算学习这一基本任务上的进展。为给进一步研究提供参考,首先介绍了Transformer和大语言模型技术,之后对基于Transformer的整数运算学习进行了系统梳理,将现有工作按技术路线划分为基于从头训练模型和基于预训练模型的研究,进一步将后者细分为上下文学习和微调;接着还展示了这两类技术路线的比较和关联性分析,梳理了整数运算学习机制的研究,并对数据集进行了总结和分析;最后讨论了目前研究中的挑战和潜在的研究方向,旨在为以整数运算为基础的更广泛计算和推理任务的学习提供借鉴。
综述评论 | 面向扩散模型的图像水印方法研究综述*

综述评论 | 面向扩散模型的图像水印方法研究综述*

摘要：随着扩散模型的迅速发展,真实与 AI 生成图像的界限日益模糊,引发内容真实性、责任归属和版权保护等关键问题,因此亟需可靠的水印技术进行验证和溯源。为助力研究人员在扩散模型水印领域研究,对扩散模型的水印方法进行了系统调研。首先从嵌入阶段与机制的角度,梳理了不同水印方法的研究进展,构建了面向扩散模型的水印分类框架。其次,分析了基于微调与初始噪声的生成式水印机制,对比了各类方法的优缺点。进一步明确了水印在知识产权保护、AIGC 溯源标识及责任追究中的应用场景,并且归纳了涵盖不可感知性、鲁棒性以及水印容量的评估体系。最后,探讨了扩散模型图像水印的当前挑战与未来发展方向,并给出可能的解决方案。
多模态学习专题 | 交错模态思维链奖励机制的细粒度图像生成*

多模态学习专题 | 交错模态思维链奖励机制的细粒度图像生成*

摘要：复杂细粒度语义对齐是当前文生图模型面临的核心挑战之一，尤其在属性绑定、数量关系与空间结构等组合语义场景中表现不佳。现有方法往往从特定模型结构出发，依赖高成本数据训练与推理，难以进行稳定有效的语义修正与跨范式的统一。针对上述问题进行了研究，提出基于交错模态思维链推理机制的统一语义对齐奖励微调框架 ICOTR，利用多模态大模型的图文理解能力构建自适应多维语义奖励反馈，对扩散模型与自回归模型进行一致的语义引导优化。在高语义复杂度评测基准 T2I-CompBench++ 上的实验中，ICOTR 将 SDXL 的综合性能由 0.4114 提升至 0.4965，将 Show-o 的综合性能由 0.3815 提升至 0.5202。结果表明，ICOTR 在整体性能及多个关键子任务上均显著优于现有方法，可有效提升不同生成范式下的细粒度图像生成能力。
多模态学习专题 | 基于对抗鲁棒增强的多模态谣言检测方法*

多模态学习专题 | 基于对抗鲁棒增强的多模态谣言检测方法*

摘要：针对现有谣言检测数据集模态单一和谣言检测模型面对多模态对抗攻击时鲁棒性较弱的局限性，构建了大规模的多模态谣言数据集 MuRumor。该数据集共包含19 733条博文、658 557条评论、12 365个用户，涵盖了文本、图像、评论、用户、社交上下文五个维度的特征数据。在此基础上，提出了基于对抗鲁棒增强的多模态谣言检测模型 AR-MRD。该模型引入了文本风格弱化、评论过滤和图像对抗训练机制，并结合评论辅助跨模态一致性机制，实现对多模态特征的高效融合，并显著提升了模型对跨模态对抗攻击的抵抗力。实验结果表明，AR-MRD 的准确率达到 92.4%，超越了现有的检测方法，并且在对抗性条件下保持了最低的攻击成功率，能够有效抵御文本、图像和评论中的篡改行为。
多模态学习专题 | 一种基于证据驱动的多模态对话混合情绪状态转移模型*

多模态学习专题 | 一种基于证据驱动的多模态对话混合情绪状态转移模型*

摘要：模态对话情感识别通过融合文本、音频、视频等多模态信息，实现对话中逐话语的情感状态预测。在该任务中，情绪状态往往呈现出动态演变的特征，同时模态间信息的不一致也引入了显著干扰，这共同增加了情感识别的复杂性。为解决上述问题，提出了一种基于证据驱动的混合情绪状态转移模型。该模型通过融合文本、音频、视频三种模态，捕捉相邻话语的特征变化，将话语内的局部特征与话语间的动态变化相融合，生成反映情绪变化强度的证据表示。基于该证据表示，并结合模态冲突及说话人差异，进一步引导混合情绪状态转移机制自适应调节连续与突变两种演化方式，最终结合对话上下文完成逐话语的情感预测。实验结果表明，该模型在多模态对话情感识别的基准数据集 IEMOCAP 和 MELD 上准确率分别达到了 74.12% 和 67.32%， F₁ 值达到了 74.03% 和 66.11%，与现有基准模型相比均有明显提升。
图神经网络专题 | 融合多尺度因果去偏与自监督对抗判别的图推荐模型*

图神经网络专题 | 融合多尺度因果去偏与自监督对抗判别的图推荐模型*

摘要：针对图推荐系统中用户交互易受流行趋势、社群效应等混杂因素干扰，导致真实偏好表征失真、长尾项目召回能力不足的问题，提出一种融合多尺度因果去偏与自监督对抗判别的图推荐模型（graph recommendation model integrating multi-scale causal debiasing and self-supervised adversarial purification, MCAP）。该模型首先通过并行双分支图卷积架构分别学习用户-项目图中的兴趣表征和偏差关联图中的偏差表征，并利用解耦损失实现两者的初步分离。在此基础上，构建多尺度因果去偏链路：嵌入层面以偏差表征为参照对兴趣表征进行因果干预；表征得分层面结合偏差关联图的全局信息抑制兴趣表征中的偏差放大效应；为进一步消除残余混杂因素干扰，设计自监督对抗判别机制，通过梯度反转层驱动兴趣分支与判别器对抗学习，提升兴趣表征的纯净性。实验表明，MCAP 在 MovieLens-10M 和 Netflix 数据集的 recall@20/50、NDCG@20/50 指标上显著优于主流基线去偏推荐模型，进一步验证了该模型在弱化混杂因素干扰和提升推荐准确率方面的有效性。
图神经网络专题 | 结构感知与认知增强的知识追踪模型*

图神经网络专题 | 结构感知与认知增强的知识追踪模型*

摘要: 现有知识追踪方法大多在特征建模上存在局限,往往仅依赖固定序列或静态图结构,难以刻画学生与问题之间随时间演化的动态关系,同时忽视了时间与行为等因素对知识状态的影响。针对以上问题,提出一种结构感知与认知增强的知识追踪模型(SACEKT),综合考虑学生与问题之间的动态图关系、作答时间和行为特征以及学习与遗忘机制,从结构与认知两个维度建模学生知识状态的动态演化过程。具体而言,SACEKT引入动态图神经网络以捕捉学生与问题节点之间随时间演化的动态信息,设计了区分长短期时间间隔与尝试行为的多特征编码模块,并且提出了认知感知GRU单元(CA-GRU),显式建模学习进度与遗忘效应对学生知识状态的影响。在三个公开数据集上的实验表明,SACEKT在预测精度和泛化能力等方面均优于现有模型。
图神经网络专题 | 考虑装配协同的分布式两阶段混合流水车间图强化学习动态调度*

图神经网络专题 | 考虑装配协同的分布式两阶段混合流水车间图强化学习动态调度*

摘要：针对动态环境下两阶段分布式混合流水车间(TSDH-FSSP)中跨厂生产和装配协同脱节问题,开展了面向装配协同的图强化学习动态调度方法研究。构建融合工序耦合关系与车间状态的图结构表示模型,结合卷积神经网络(CNN)与双重图注意力网络(GAT)提取厂内局部拓扑特征与跨阶段全局协同特征,并利用近端策略优化(PPO)算法在复合奖励机制引导下实现端到端自主决策。基于不同规模基准算例的仿真实验表明,在动态插单场景下,该方法在最大完工时间与相对百分比偏差(RPD)指标上均优于非支配排序遗传算法(NSGA-Ⅱ)、改进鲸鱼优化算法(IWOA)及深度学习调度方法(DRL-GCN、DRL-TF);同时,第二阶段固定规则策略在保证求解质量的同时使训练时间降低27.11%。通过轴承制造实际案例验证了该方法在复杂动态环境下的有效性与鲁棒性,为分布式制造系统中生产与装配协同调度提供了可行路径。
图神经网络专题 | 基于几何约束稀疏图的行人多模态轨迹预测方法*

图神经网络专题 | 基于几何约束稀疏图的行人多模态轨迹预测方法*

摘要：针对复杂动态场景中行人轨迹预测存在交互建模不精准和多模态不确定性表征不足的问题,提出了一种基于几何约束稀疏图的行人多模态轨迹预测方法 GCSG-Traj。该方法利用视野范围、距离阈值和运动趋近性三重约束构建稀疏交互图,结合图卷积网络与 Transformer 提取时空特征,并通过二维高斯分布参数预测和拉丁超立方采样实现多模态轨迹预测。在 ETH/UCY 数据集上的实验结果表明,GCSG-Traj 的平均位移误差和最终位移误差分别为 0.31 m 和 0.51 m,整体性能优于多数对比方法,并在预测精度与模型紧凑性之间取得较好平衡。结果表明,该方法能够较为有效地提升复杂动态场景下行人轨迹预测的准确性与多样性。
图神经网络专题 | 一种针对手臂精细动作想象的细粒度图神经分类模型*

图神经网络专题 | 一种针对手臂精细动作想象的细粒度图神经分类模型*

摘要: 现有分析方法在手臂精细动作的运动想象脑电信号上难以充分捕捉复杂时空耦合特征, 解码精度与准确性不足。针对上述问题提出一种细粒度图神经动作想象脑电信号分类模型, 完成手臂动作想象脑电数据库构建。模型嵌入自注意力机制聚焦核心电极通道, 精准捕捉节点间深层依赖以抑制冗余干扰; 提出细粒度图神经模块, 通过时间窗分割与多尺度子图构建, 改善图神经重空间轻时序的短板; 卷积分类层可高效完成时空特征的整合与判别。基于手臂动作想象数据集与公开数据集开展的对照实验结果表明, 该模型分类性能优于多种主流基线分类模型, 在手臂动作数据集上非跨受试者准确率最高可达 76%, 跨受试者准确率最高可达 59%。该结果验证了该模型架构的有效性, 为复杂脑电信号动作想象的时空联合建模提供了新思路, 也为开发高性能脑机接口系统提供了技术支撑。
算法研究探讨 | 融合轻量化时空建模的学习行为指标预测模型*

算法研究探讨 | 融合轻量化时空建模的学习行为指标预测模型*

摘要：针对现有学业表现预测研究存在预测及时性与持续性不足、忽视学习状态变化等问题，结合时序预测研究发展趋势提出一种融合轻量化时空建模的学习行为指标预测模型 LST-LBIP，实现了以周为时间粒度的预测。该模型通过轻量化时空注意力机制对特征数据进行权重分配，并结合 MinGRU 在有限样本条件下实现了高效的多维特征时序建模。此外，设计异方差回归与卡尔曼滤波协同的修正机制增强预测稳定性，并通过滑动窗口长度自适应组件动态优化历史信息利用范围。基于三届学生 18 个教学周的混合学习行为数据开展实验，结果表明该模型在预测中平均 R2 达到 0.805，优于常见的多类时序建模方法，能有效实现学生学习状态的连续跟踪与精准预测。
算法研究探讨 | 多层次特征时空交叉融合的群体行为识别方法*

算法研究探讨 | 多层次特征时空交叉融合的群体行为识别方法*

摘要：在计算机视觉领域的群体行为识别算法中，存在场景上下文利用不足、个体空间分布与交互关系缺乏显式建模，以及时空特征融合时易引入噪声并丢失低级特征的问题。为解决上述问题，提出一种多层次特征时空交叉融合网络MlffNet。针对人物特征与场景信息割裂的问题，设计特征增强模块将全局场景上下文嵌入个体特征中，增强模型对关键目标的感知能力。为解决现有方法对个体空间位置差异与交互关系建模不足的问题，利用卷积引导注意力机制获取高质量全局视觉标记，并通过空间位置编码器与时空交叉Transformer显式建模个体空间分布对群体交互的影响。同时，针对时空特征融合中噪声干扰与低级特征丢失的问题，改进交叉熵损失函数抑制冗余噪声并保留关键细节特征。实验结果表明，该方法在volleyball和collective activity数据集上的MCA分别达到95.4%和96.0%，尤其在复杂群体交互场景下表现优异，验证了模型的有效性。
算法研究探讨 | 基于缺失感知与双分支注意力的多变量时间序列插补方法*

算法研究探讨 | 基于缺失感知与双分支注意力的多变量时间序列插补方法*

摘要：针对多变量时间序列中普遍存在的数据缺失问题,现有基于注意力的插补方法难以同时建模单变量自身的时间演化特性、变量间依赖关系以及多变量共享的整体趋势,且对缺失模式中的潜在信息利用不足,易导致插补偏差。为此,提出一种基于缺失感知与双分支注意力的多变量时间序列插补方法 MDual-AttNet。该方法在嵌入层通过门控机制自适应融合观测值与缺失模式,生成缺失感知表示。在此基础上,构建双分支注意力结构:一支利用块级自注意力机制和图注意力机制来捕捉单变量时序特征及变量间依赖关系;另一支利用点级自注意力机制来学习多变量共享时序特征。此外,引入掩码预测辅助任务,引导模型显式学习缺失模式以优化插补效果。在医疗、环境与能源领域的四个真实数据集上的实验结果表明,该方法在平均绝对误差指标上相较代表性基线方法降低约16%,并在基于其插补结果的下游分类任务中使ROC-AUC指标提升约1.0%,验证了其在实际应用中的有效性。
算法研究探讨 | 基于动态拓扑推理的行人轨迹预测算法*

算法研究探讨 | 基于动态拓扑推理的行人轨迹预测算法*

摘要：针对现有行人轨迹预测方法难以表征群体高阶交互且缺乏反馈修正机制的问题,研究了一种融合动态拓扑生成与迭代闭环优化的预测新方法。构建动态拓扑生成模块,利用注意力机制构建单纯复形,挖掘多阶群体交互特征。引入广义单纯形注意力网络,实现跨维度分层信息聚合。设计基于霍奇分解的迭代反馈回路,解析预测不确定性并反馈修正信号,实现动态闭环优化。在 ETH 和 UCY 数据集的实验表明,相较于 STG-DTBTA 模型,该方法的平均位移误差(ADE)和终点位移误差(FDE)分别降低27.8%和25.4%,显著提升了复杂场景下的预测精度与适应性。
算法研究探讨 | 基于双流指数平滑分解与多尺度特征混合的瓦斯浓度预测*

算法研究探讨 | 基于双流指数平滑分解与多尺度特征混合的瓦斯浓度预测*

摘要：针对传统方法在煤矿瓦斯浓度预测中面临的混合模态干扰、长时序依赖关系建模困难及非平稳趋势显著等问题,提出了一种基于双流指数平滑分解与多尺度混合机制的瓦斯浓度预测模型(MS-Decomp)。该模型引入指数移动平均(EMA)算法将瓦斯序列在频域上解耦为高频波动流与低频趋势流,构建双流并行处理架构。在高频流中,将输入进行patch分段,设计多尺度局部混合器与相对位置编码增强的多头自注意力编码器,协同捕捉局部瞬时突变与全局长程依赖;在低频流中,利用多尺度趋势提取模块结合层级特征压缩机制的多层感知机,实现对非平稳基线漂移的有效外推。在矿井数据集上的实验表明,所提模型在长短时预测任务上均取得优异性能,在长时预测的对比中,与7个基线模型相比,RMSE指标平均降低了18.0%。研究结果表明,该模型能够有效解决复杂工况下的瓦斯浓度预测难题,显著提升了瓦斯浓度预测的精度。
算法研究探讨 | 适应不同场景的交通流量长时预测方法*

算法研究探讨 | 适应不同场景的交通流量长时预测方法*

摘要: 针对交通流量长时预测中时空相关性挖掘不充分、异质性融合不足及模型跨场景适应能力弱的核心问题,提出一种适应不同场景的交通流量长时预测方法,以提升长时预测精度与跨场景泛化性能。首先构建融合数据统计特征、时间上下文与空间上下文的提示网络,结合生成对抗网络优化数据分布,增强模型对新场景的适配能力;其次设计时空异质性挖掘模块,通过长序列分块嵌入、时空解耦掩码与门控融合机制,分别精准捕获时间维度的动态异质性与空间维度的结构异质性;最后提出时空相关性挖掘模块,采用多掩码策略与双向交叉注意力机制,深度挖掘长时尺度下的时空相关性,并实现时空异质性与相关性特征的高效融合。在公开的数据集上进行了大量实验,结果证明,所提方法相比于次优方法,在 MAE、RMSE 和 MAPE 三个评价指标上平均提升2%~4%。所提方法通过高效挖掘时空异质性与长时相关性、优化场景适配能力,有效解决了现有方法的核心缺陷,显著提升了交通流量长时预测的精度与泛化性能。
算法研究探讨 | DeepChance-OPT: 面向精密装配动态抓取的抗扰决策框架*

算法研究探讨 | DeepChance-OPT: 面向精密装配动态抓取的抗扰决策框架*

摘要：针对动态环境中智能系统安全决策难题,提出 DeepChance-OPT 方法。该方法构建端到端可微框架,通过隐空间表征学习提取动态特征,建立自适应不确定性传播模型以预测未来状态分布,并设计可微机会约束机制,将概率安全要求转换为连续优化目标。在碳化硅晶圆精密抓取任务上的实验表明,该算法平均决策延迟低于 4 ms,约束违反率降至 2.3%,在复合扰动下抓取成功率超过 87.5%,验证了其在安全性、实时性与鲁棒性方面的综合优势。
算法研究探讨 | 扫视抑制感受野重映射的视觉错位感知神经网络*

算法研究探讨 | 扫视抑制感受野重映射的视觉错位感知神经网络*

摘要：哺乳动物视脑神经通过抑制视网膜的视觉信号滑动触发神经扫视抑制，用于表征视觉光影信号在视网膜神经层成像的异常。受此启发，基于扫视抑制视感神经机制提出一种视觉错位感知神经网络(visual mislocalization perception neural network, VMPNN)，检测视频中前景目标的视觉错位质量缺陷。VMPNN 包含突触前和突触后两部分神经子网络。其中：突触前子网络通过感受野重映射感知扫视运动的低阶视觉线索；突触后子网络提取视觉运动频率特征，扫视抑制感受野邻域视觉信号突变，输出用于视觉异常敏感特性表征的神经膜电位簇。实验结果表明，VMPNN 对视频序列中突发的前景-背景视觉错位异常产生强烈的响应输出激励。该工作可为视觉跟踪导航、移动机器人、虚拟现实等视觉任务的信息处理研究提供新思想、新方法。
算法研究探讨 | 面向林下环境监测的无人机自适应安全轨迹规划*

算法研究探讨 | 面向林下环境监测的无人机自适应安全轨迹规划*

摘要：针对林业监测无人机在林下环境数据采集任务中，对轨迹规划安全性与高平滑性的双重要求，提出了一种分层速度自适应B样条轨迹规划算法。首先，使用B样条曲线对轨迹进行参数化表示，保证轨迹的连续性；在B样条的节点处优化与障碍物距离相关的加速度惩罚项，显著提升轨迹平滑性。然后，在前端搜索最短安全路径后，基于距离与速度方向构建的综合风险权重，实现可变步长的目标扩展以初步调节速度；后端基于速度惩罚项优化B样条节点速度，实现速度自适应，提高轨迹安全性。最后，构建自定义的AirSim树林仿真环境，对算法进行仿真验证。结果表明，所提算法在实现速度自适应的同时兼具高平滑性，轨迹飞行路径最短，整体飞行时间较优，且在提高最大飞行速度后仍能安全穿越密集树林，展现出良好的飞行性能与鲁棒性。
算法研究探讨 | 考虑预防性维修和运输时间的绿色混合流水车间调度*

算法研究探讨 | 考虑预防性维修和运输时间的绿色混合流水车间调度*

摘要：针对考虑预防性维修和运输时间的绿色混合流水车间调度问题(green hybrid flow shop scheduling problem considering preventive maintenance and transportation times, GHFSP-PMT), 构建了多目标混合整数规划模型, 提出了一种自适应反馈人工蜂群算法(adaptive feedback artificial bee colony algorithm, AFABC)以最小化最大完工时间(makespan)和总能耗(total energy consumption, TEC)。AFABC中设计了集成冲突检测的解码策略, 在雇佣蜂阶段引入了基于强化学习的自适应算子选择方法以合理调用搜索算子; 在观察蜂阶段提出了一种基于种群状态反馈的自适应搜索策略以平衡搜索方向; 侦察蜂阶段采用基于档案的迭代贪婪重构方法替代随机搜索以减少计算资源浪费。大量实验验证了AFABC在求解GHFSP-PMT上的有效性。
算法研究探讨 | 基于大语言模型的时效性法律知识图谱构建方法*

算法研究探讨 | 基于大语言模型的时效性法律知识图谱构建方法*

摘要：针对现有法律知识图谱构建方法偏重静态三元组抽取、缺少法条施行时间建模且难以处理法律修订变化的问题,提出一种基于大语言模型(large language models,LLMs)的时效性法律知识图谱构建方法(legal knowledge graph construction with LLMs,LKGC)。该方法将法律知识图谱构建重定义为受法律本体约束的时效性四元组构建任务,在实体、关系和属性之外引入法条施行时间,并通过约束提示构造、四元组抽取和迭代校正实现法律知识的结构化构建与时间校正。在自建的法律知识图谱数据集上的实验结果表明,LKGC在实体、关系、时间和四元组抽取任务中的 F₁ 值分别为84.36%、77.96%、92.46%和73.36%;在一次、两次及多次修订更新场景下的正确率分别为77.24%、73.86%和68.61%。结果表明,该方法能够提升法律知识图谱构建中的时间建模与校正能力,为法律知识时效性对齐提供结构化支撑。
软件技术研究 | 基于多粒度图卷积网络与自适应特征融合的软件缺陷预测方法*

软件技术研究 | 基于多粒度图卷积网络与自适应特征融合的软件缺陷预测方法*

摘要：针对现有方法在代码语义与结构深层表征上的不足,提出一种多粒度图卷积网络与自适应特征融合的软件缺陷预测方法。该方法结合 GraphCodeBERT、多粒度图卷积网络和对比学习,提取代码的细粒度语义与结构信息。GraphCodeBERT 通过代码序列与变量节点序列,生成语义-结构联合特征;多粒度图卷积网络在此基础上分层提取局部至全局的结构语义;对比学习进一步增强上述特征的判别性;最后,通过自适应门控机制融合手工特征进行分类。在 PROMISE 数据集上的实验表明,所提方法在项目内与跨项目缺陷预测场景下的 F₁-score 分别较最优基线提升 3.3% 和 2.0%,验证了多源特征融合的有效性。
软件技术研究 | 面向 RISC-V 向量架构的寄存器自适应分组分配机制与编译优化 *

软件技术研究 | 面向 RISC-V 向量架构的寄存器自适应分组分配机制与编译优化 *

摘要：针对 RISC-V 标准向量扩展(RISC-V “V” vector extension, RVV)的寄存器分组倍数(length multiplier, LMUL)仅支持2的幂次配置导致的寄存器利用率低下、循环冗余等问题,提出一种寄存器自适应分组分配机制。该机制通过支持向量寄存器组长度的动态细粒度配置,突破了传统LMUL限制,并在LLVM编译系统上完成了全链路实现。在定制化RISC-V向量仿真平台上的实验表明,对于1200点混合基傅里叶变换。该机制通过匹配Radix-5和Radix-3算法特征,使条带挖掘迭代次数减少31.6%,动态指令数减少30.9%,时间加权平均寄存器利用率从50.5%提升至71.6%。在深度学习fconv2d算子中,针对3×3等非2幂次尺寸卷积核,最高获得3.15倍的动态指令数加速比,寄存器利用率提升达31.3%。该方法有效缓解了多场景下寄存器分组的粒度失配问题,显著提升了资源利用率。
软件技术研究 | 一种面向嵌入式场景的五级流水线 RISC-V 处理器设计*

软件技术研究 | 一种面向嵌入式场景的五级流水线 RISC-V 处理器设计*

摘要：针对智能网联汽车与物联网领域分布式控制节点对低成本、低功耗及高实时性的需求，设计并实现了一款基于 RISC-V RV32IM 指令集的 32 位五级流水线处理器核。处理器采用五级流水结构，集成硬件乘除法单元，引入动态分支预测与数据前递技术，有效抑制了控制冒险与数据冒险导致的流水线停顿，提高了单位频率下的指令执行效率。处理器采用 Verilog HDL 实现，基于 AXI4-Lite 总线构建片上系统(SoC)，并通过差分测试完成逻辑功能验证。在 Xilinx KU5P FPGA 平台上的综合测试结果表明：在 200 MHz 工作频率下，该处理器仅消耗 5 712 个 Slice LUT 和 2 091 个寄存器，性能表现达到 1.62 DMIPS/MHz 与 2.81 CoreMark/MHz。与蜂鸟 E203 相比，DMIPS 和 CoreMark 性能分别提升 30.6% 和 31.3%；与 VexRiscv 相比分别提升 30.6% 和 19.6%。该架构在维持极低硬件资源消耗的同时，显著提升了运算效能，为资源受限的嵌入式应用提供了一种兼顾高性能与高能效的 RISC-V 处理器解决方案。
网络与通信技术 | 面向 XL-MIMO 混合场信道估计的迭代软阈值-邻域精调协同算法*

网络与通信技术 | 面向 XL-MIMO 混合场信道估计的迭代软阈值-邻域精调协同算法*

摘要：针对 XL-MIMO 系统混合场信道估计方案面临格点化(on-grid)模型固有的“网格失配”效应以及离格化(off-grid)模型计算复杂度高的双重挑战,提出了一种基于迭代软阈值与邻域精调的混合场信道估计算法。该算法摒弃了传统正交匹配追踪(OMP)及随机梯度追踪(SGP)算法的贪婪迭代策略;首先,在 on-grid 框架下,利用远近场联合字典引入迭代软阈值算法(iterative soft thresholding algorithm,ISTA)进行全局路径搜索,显著增强了低信噪比下的鲁棒性;其次,设计了低复杂度的自适应邻域扩展与归一化最小均方(normalized least mean squares,NLMS)精调机制,有效补偿了网格失配带来的能量泄漏。理论分析与仿真结果表明,所提算法在保持与 on-grid SGP 算法同量级线性复杂度的前提下,在不同信噪比水平下的归一化均方误差(normalized mean squared error,NMSE)相较 off-grid SGP 算法降低了约 2.2 dB。
网络与通信技术 | 基于深度强化学习的无人机群智感知:多模态融合增益与资源消耗的显式耦合调度策略*

网络与通信技术 | 基于深度强化学习的无人机群智感知:多模态融合增益与资源消耗的显式耦合调度策略*

摘要：针对智慧交通场景中无人机群智感知(UAV crowdsensing, UCS)面临的感知精度与资源消耗强耦合难题,提出一种融合增益与资源耦合深度Q网络(CGR-DQN)动态调度方法。不同于传统的分离式优化策略,该方法构建了感知节点与群智感知平台两级协同架构,引入边际增益系数量化节点价值,并设计了融合精度与资源消耗的复合奖励函数。基于此,CGR-DQN智能决策引擎能够在马尔可夫过程中,自适应搜索多模态数据价值与物理资源消耗之间的最优解。仿真实验表明,该方法在保障交通流预测准确率的同时,实现了高效的物理资源管控。量化结果显示,系统单次任务周期的综合能耗降至约12.6 kW·h,边缘节点CPU平均利用率控制在55%,资源投入边际效益达到0.31。相比于PPO与传统启发式算法,该方法在通信受限及恶劣气象等复杂动态环境下,展现出更优的效能边界与工程鲁棒性。
网络与通信技术 | 基于延迟敏感任务动态准入与时延评估的边云协同调度策略*

网络与通信技术 | 基于延迟敏感任务动态准入与时延评估的边云协同调度策略*

摘要：边云协同可有效降低服务时延，但调度算法面临动态适应性的挑战。传统启发式调度方法适应性有限，而深度强化学习(DRL)虽具备较强的自适应能力，但其开销较大，难以在资源受限的边缘节点上高效部署。因此，提出了一种面向时延敏感应用的轻量化边云协同部署及任务调度框架，设计了基于任务准入与时延评估的边云协同调度策略(CSADE)。该策略通过构建平均时延计算模型并感知边缘数据中心的动态负载，对任务请求进行准入评估；随后采用轻量化的启发式调度策略完成边云协同调度，联合优化服务时延与用户QoS。相比DRL方法，降低了计算开销；解决了启发式算法规则僵化、适应性不足的问题。最后，使用仿真和真实数据验证所提方法：CSADE在平均延迟与QoS违反率方面均有显著改善，前者最高降低约51%，后者最高下降约33%，验证了所提方法的有效性与工程可行性。
信息安全技术 | 基于原型网络的层次预聚类联邦学习框架*

信息安全技术 | 基于原型网络的层次预聚类联邦学习框架*

摘要：针对现有聚类联邦学习方案存在的耦合度高、缺乏集群间知识迁移及相似性度量单一等问题，提出一种名为 ProtoCFL 的基于原型网络的层次预聚类联邦学习框架。首先，设计了层次预聚类、主训练及触发式重聚类三阶段，解耦聚类与训练过程，提升部署灵活性；其次，提出一种基于分裂二叉树的聚类方法，划分集群的同时由根节点补充全局知识，增强模型泛化能力；最后，提出一种原型相似度度量，融合类别分布与原型特征信息，精确评估客户端间相似性。实验结果表明，相较于现有方案，ProtoCFL 的模型准确率在 FashionMNIST、CIFAR10 和 AGNews 数据集上分别最高提升 3.28%、9.45% 和 7.39%，为聚类联邦学习提供一种兼具高效性与高精度的创新方案。
信息安全技术 | 融合 Rényi 差分隐私的知识图卷积网络推荐方法*

信息安全技术 | 融合 Rényi 差分隐私的知识图卷积网络推荐方法*

摘要：针对知识图卷积网络(KGCN)推荐系统存在的数据稀疏、冷启动、辅助信息利用不足，以及消息传播过程中因数据收集可能引发的隐私泄露等问题，提出一种融合 Rényi 差分隐私的知识图卷积网络推荐方法(KGRRDP)。首先，通过构建用户和项目偏好交互嵌入以挖掘深层关联，利用多跳邻居聚合充分融合知识图谱中的辅助信息，并结合自适应注意力机制动态分配特征权重，从而提升推荐的准确性与可解释性，基本解决了数据稀疏、冷启动、辅助信息利用不足的问题。其次，通过对嵌入向量施加随机扰动以注入隐私噪声，并基于 Rényi 差分隐私(RDP)框架实现更精确的隐私损失量化；进一步引入梯度动态更新策略优化敏感度计算，在增强隐私保护的同时减少模型精度的损失。实验结果表明，与性能最好的基线方法相比，KGRRDP 在多个数据集上的 AUC 和 F₁ 指标分别提升了 1.8%～3.9% 和 2.5%～3.2% ，且对隐私预算变化敏感度低，实现了隐私保护与推荐效果的有效平衡。
信息安全技术 | 基于风格迁移的无载体隐写术*

信息安全技术 | 基于风格迁移的无载体隐写术*

摘要：针对传统修改式隐写方法容易引起统计异常、易被隐写分析检测的缺陷，以及生成式隐写方法依赖在线传输图像数据库带来的泄露与窜改等安全问题，提出一种基于风格迁移的无载体图像隐写术。该方法将秘密信息拆分为风格索引段与内容索引段，收发双方利用提示词与确定性种子离线重建可复现的内容人脸库，发送端按内容索引选取内容图，风格段构建可复现风格数据库，并在StyleGAN2高层注入目标风格，使风格类别承载秘密信息。为提升风格表达的判别性与跨端稳定性，在风格编码器中引入通道注意力与降维压缩机制。接收端通过风格匹配与AdaFace人脸检分别还原两段秘密信息。实验结果表明，该方法可实现数据库跨端一致重建与秘密信息的准确提取，并在保证身份与几何结构稳定的前提下兼顾风格可分性。综上，该方法无须显式像素修改与数据库分发，具备可复现、鲁棒且隐蔽的图像隐写通信能力。
信息安全技术 | 工控系统中僵尸网络入侵检测系统的对抗样本生成方法与鲁棒性评估*

信息安全技术 | 工控系统中僵尸网络入侵检测系统的对抗样本生成方法与鲁棒性评估*

摘要：针对工业控制系统(ICS)中僵尸网络入侵检测模型在对抗扰动条件下鲁棒性不足的问题,开展了系统性研究与实验评估,设计了一种面向ICS僵尸网络场景的对抗样本生成方法,通过融合时域噪声与频域噪声构造具有代表性的扰流量动样本,用于模拟复杂对抗环境。在特征构建阶段,综合利用网络流量统计属性与工业协议标识信息,并基于真实物理环境采集数据构建僵尸网络入侵数据集。在三种真实ICS攻击场景下,对八种主流入侵检测模型开展对抗鲁棒性评估。实验结果表明,所生成的对抗样本可显著降低多种模型的检测准确率与召回率。研究结果揭示了现有检测模型在对抗场景中的固有鲁棒性缺陷,并为开展对抗训练与防御机制设计提供了可复现的数据样本与量化评估依据。
图形图像技术 | YOLO-ER:一种适用于复杂环境的高效多尺度目标检测框架*

图形图像技术 | YOLO-ER:一种适用于复杂环境的高效多尺度目标检测框架*

摘要：面向复杂场景的目标检测仍受多尺度表征不足、层级传播中的信息衰减以及粗暴拼接带来的融合混叠等问题制约，提出一种适用于复杂环境的高效多尺度目标检测框架 YOLO-ER，通过扩展残差机制协同提升特征学习、层级传递与跨尺度融合能力。框架包含三部分：a) 扩展残差高效层聚合网络，在阶段内强化通道/空间交互，增强多尺度语义；b) 多层级融合模块对跨层特征进行对齐与聚合，保持由浅入深的信息传输；c) 基于注意力的多尺度融合模块以注意力引导的上下文自适应融合抑制拼接混叠。在 MS COCO 2017 数据集上，YOLO-ER-N 在 640×640 输入下的 AP 达到 42.5%，YOLO-ER-S 达到 48.0%，优于同设置下的 YOLOv12/YOLOv13，且在小/中目标检测上表现突出；在 PASCAL VOC 数据集上，YOLO-ER-N 的 AP 为 61.9%，AP50 为 82.0%，AP75 为 67.2%。结果表明，ER-ELAN、MLF 与 AMF 的协同可在杂乱、遮挡与尺度剧变场景中兼顾精度与实时性。
图形图像技术 | 基于扩散增强与可逆密度变换流的视频异常检测方法*

图形图像技术 | 基于扩散增强与可逆密度变换流的视频异常检测方法*

摘要：视频异常检测在智能监控中具有重要作用，可识别潜在的公共安全威胁。针对异常事件样本稀缺且难以穷举的问题，现有方法多将其建模为仅依赖正常样本学习的单类分类任务，但正常行为本身具有高度多样性，有限训练数据易导致模型分布拟合偏差和泛化不足。为此，提出一种融合扩散增强与可逆密度变换流的混合模型 BiDiffFlow。该模型利用扩散生成模块刻画正常行为的时空依赖关系，并通过对潜在分布进行采样增强正常样本多样性；同时，引入可逆密度变换流对增强样本进行精确似然建模，从而直接拟合正常数据分布，避免自编码器类方法因过度泛化导致异常判别能力不足。进一步设计对比滤波机制，在异常预测信息一致性较高时自适应融合扩散模块信息，以提升模型在复杂场景下的检测鲁棒性。实验结果表明，该方法在 ShanghaiTech、HR-ShanghaiTech、UBnormal 和 HR-UBnormal 四个数据集上的 AUC-ROC 分别达到 87.0%、88.5%、76.3% 和 76.8%，整体性能优于现有基准方法。
图形图像技术 | AEG-DETR:面向恶劣天气下的道路目标检测算法*

图形图像技术 | AEG-DETR:面向恶劣天气下的道路目标检测算法*

摘要：针对恶劣天气下，由雨、雾等因素引发图像退化，导致道路目标检测效率低、精度差的问题，在RT-DETR-R18的基础上提出一个鲁棒性更强的检测算法AEG-DETR。首先，AEG-DETR设计了跨阶段上下文感知动态混合模块(CSP-CADM)，显著增强了网络在复杂场景下的环境适应性。其次，构建了并行的天气自适应边缘金字塔生成器(WA-EPG)，能够动态地增强有效边缘并抑制随机噪声，强化模型对模糊或被部分遮挡目标的结构感知能力。最后，在解码器中引入自适应稀疏注意力模块(AIFI-ASSA)，在抑制噪声的同时精准建模关键的长距离依赖关系，并有效降低了计算开销。在恶劣天气数据集的实验结果表明：相比于原模型，AEG-DETR模型的precision、recall、mAP50分别提高了4.53、3.01、3.58个百分点，参数量下降16.7%；在ACDC数据集上其精度比原模型高3.82个百分点并优于其他算法，证明算法泛化能力强。所提算法兼顾模型大小并大幅提升在恶劣条件下的检测精度。
图形图像技术 | 基于密度感知的自适应并行 PBF 流体模拟方法*

图形图像技术 | 基于密度感知的自适应并行 PBF 流体模拟方法*

摘要：针对传统基于位置的流体动力学方法(PBF)中固定光滑长度导致的插值误差与计算效率瓶颈问题,提出一种基于密度感知的自适应光滑长度模型,并实现了其在图形处理器(GPU)上的全流程并行加速。该模型融合局部粒子邻居数量与密度误差两项关键指标,动态调整各粒子的光滑长度,有效缓解了稀疏区域因插值不足导致的表面失真及稠密区域因计算冗余导致的性能下降。为解决动态光滑长度带来的邻居搜索不对称性,设计了基于最大光滑长度的对称性处理机制与高效的空间哈希邻居搜索算法。在溃坝、液滴下落等多种场景下的实验结果表明,该方法在保持数值稳定性的同时,显著提升了计算效率:在300 592粒子的液滴下落场景中,最优策略相比中央处理器(CPU)串行实现可获得最高91.91倍的加速比,在407 885粒子的溃坝场景中,最高加速比可达79.51倍,且粒子邻居数量的方差显著降低,系统稳定性更优。
图形图像技术 | 基于改进 FFB6D 的透明实验耗材位姿估计方法*

图形图像技术 | 基于改进 FFB6D 的透明实验耗材位姿估计方法*

摘要：透明实验耗材具有特殊的光学特性，在使用深度传感器成像时容易产生深度缺失和边缘弱化的问题，影响基于 RGB-D 的 6D 位姿估计精度。为此，基于 FFB6D 提出了一种改进方法 TGE-Fusion，同时建模深度可靠性和边缘特征，以提升位姿估计的精度。TGE-Fusion 包含两个核心模块：深度门控融合模块 DGF，根据深度置信度自适应调节 RGB-D 融合权重，降低由于深度信息缺失带来的负面影响；边缘增强注意力模块 EEA，通过增强边缘信息来补充几何特征，提升透明物体的特征表达。实验在 ClearPose 数据集上开展，结果表明：在 10 cm 阈值下，TGE-Fusion 相较基线的 accuracy 提升 20.4 个百分点，ADD(-S) 提升 16.64 个百分点。此外，TGE-Fusion 在遮挡和反光场景中也表现出良好的稳定性，验证了方法的有效性与鲁棒性。
图形图像技术 | ICFDRL-SLS:基于因果不变流的深度强化学习半监督层分割方法*

图形图像技术 | ICFDRL-SLS:基于因果不变流的深度强化学习半监督层分割方法*

摘要：准确分割头皮高分辨率磁共振(high-resolution magnetic resonance, HR-MR)图像中头皮组织各层结构可为雄激素性脱发(androgenetic alopecia, AGA)分级诊断提供重要依据。然而，由于医学图像的复杂性以及高质量标注数据的稀缺使得已有模型难以精确分割目标结构且可解释性不足。针对这一问题，提出了一种基于因果不变流的深度强化学习半监督层分割方法(invariant causal flow deep reinforcement learning for semi-supervised layer segmentation, ICFDRL-SLS)。该方法设计了层结构编码器LSE来更好地提取跨区域的层结构特征，同时通过深度强化学习策略构建因果不变流，抑制了影响分割的混杂因子，有效提升分割精度。在私有头皮HR-MR图像数据集和公开的多发性硬化眼底OCT数据集上进行充分实验。结果表明，在5%、10%、30%标注数据条件下，在头皮HR-MR影像数据集上平均Dice系数提升2.25、1.57和2.81个百分点。在MS-OCT数据集上，在仅使用单张有标签数据和5%标注数据条件下平均Dice系数提升2.14和1.70个百分点。结果证明了ICFDRL-SLS在低标注场景下对薄层结构分割的有效性与鲁棒性。
信息集萃 | 下期要目

信息集萃 | 下期要目

面向 Non-IID 联邦学习的自适应隐私预算分配：研究现状与挑战基于行为特征的无人机蜂群控制机理逆向分析方法综述基于不确定性估计和反馈式多模态融合的意图识别基于教师引导蒸馏与文本查询选择性对齐的多模态情感分析基于改进视觉特征与文本语义的机器人多任务模仿学习算法多层次语音特征融合的仿生机器人嘴部运动生成方法融合深度聚类与自适应非平稳调控的光伏功率预测融合动态特征提取与

过往期刊

更多

猜你喜欢

期刊阅览室